TL;DR：
一位刚拿下OpenAI Offer的华大博士，用57场面试的血泪教训告诉我们：别以为搞AI研究就不用刷题、不用手写Transformer！从LeetCode到从零实现反向传播，再到关掉AI自动补全，顶级AI公司的面试，拼的依然是硬核编程基本功。
刚毕业就拿OpenAI的Offer，这是什么神仙剧情？
最近，一位名叫 Alisa Liu 的华盛顿大学博士（六年NLP方向）在AI圈爆火——不是因为她发了什么神论文，而是因为她写了一篇《求职复盘》，把自己从面试到Offer的全过程掰开揉碎了讲，评论区直接炸锅。
数字有多猛？11家公司，57场正式面试，外加46次招聘沟通，16次拿到意向后的后续拉扯。平均下来，每家公司约5场面试。按她自己的话说：“找工作本身，就是一份全职工作。”
但最让人意外的，不是这个数字，而是复盘的核心结论——无论你研究方向多么前沿、论文多么硬核，一旦进入面试流程，真正被反复拷打的依然是：编程基本功。
是的，你没看错。Transformer要会手写，LeetCode还得刷，甚至面试时连AI补全工具都不能用。
面试不是“秀论文”，是“演代码”
很多人想象中，面试顶级AI公司（OpenAI、Anthropic、Meta等）应该是什么样？大概率是聊模型架构、谈前沿方向、展示研究思路。但Alisa在复盘里写得很直白：研究经验帮你拿到面试机会，但技术能力和代码实现才决定你能不能留下。
她把面试类型分出七大“流派”，咱们挑几个重点来说说——
1. 机器学习编程面试：这是出现频率最高的。 要求现场手写代码，比如实现一个给定的模型架构、一种解码策略、一个传统机器学习算法，甚至从零写反向传播（只能用NumPy）。PyTorch是必备技能，但很多时候面试官会限制你只能用基础库，不许调现成的高阶API。
2. 通用编程面试：说得通俗点，就是LeetCode。 动态规划、图、哈希表、树、堆、双指针、二分查找……别看是AI岗，这些基础数据结构和算法照样会出现在面试里。Alisa提醒：打好基础很重要，因为很多概念也会出现在机器学习编程面试中。
3. 技术讨论面试：不写代码，但技术含量极高。 可能整场围绕一个主题，比如“如何设计实验回答某个研究问题”，或者一连串快速问答：“位置编码有哪些不同方式？”“什么是5D并行？”“PPO和GRPO有什么区别？”考的是思维方式和知识面广度。
4. 研究讨论面试：博士最擅长的部分。 介绍一个项目，面试官顺着追问。但Alisa有个小技巧：根据不同岗位调整自己的研究介绍，让对方更快判断你的背景是否匹配——毕竟面试官也很累，能省点脑细胞就省点。
5. 行为面试：看似简单，实则致命。 她第一次行为面试就挂了，原因是面对“描述一次你解决冲突的经历”这种基础问题，大脑一片空白。建议提前列出博士期间的经历，对应到常见行为面试问题，不然临场很难组织成好故事。
6. 数学面试：概率、线性代数、微积分。 有些公司会问逻辑谜题，有些直接让用纸笔推导。
7. 工作报告：比学术界的job talk更短，更聚焦。 她主要讲tokenizer相关的工作，一篇一作加几篇二作串成完整方向。
手写Transformer：练成肌肉记忆，关掉AI辅助
如果说上面那些只是“科普”，那Alisa准备的“杀手锏”才是真正让圈内人后背发凉的——
她把 Stanford CS336 的 Homework 1 奉为至宝。这份作业的主题是：从零构建一个Transformer语言模型。
注意，不是调库、不是改参数，是真的从零开始——写tokenizer、实现decoder-only Transformer、实现causal self-attention、RoPE、前馈网络、损失函数、AdamW优化器……除了基本的Parameter和容器类，不能使用任何torch.nn、torch.nn.functional或torch.optim里的现成高级组件。
说白了，线性层、归一化、attention、loss、optimizer……全都要自己手写。
更“残忍”的是：作业明确规定，不能用AI工具实现任何代码——包括Cursor Agents、Codex、Claude Code这些编码代理，还要 关闭Cursor Tab、GitHub Copilot的补全功能。因为之前的学生反馈说，关掉AI自动补全，更容易深入理解材料。
Alisa自己的建议也一模一样：练习编码时务必关闭AI辅助，否则你根本不知道自己有多依赖它。 面试现场没有Copilot，没有ChatGPT，只有你和代码面面相觑。
她形容这种感觉：“每次面试都像是一门略有不同的数学或计算机科学课程。你从未上过课，却只有大约三天时间来准备期中考试。”
不只是刷题，更是“表演”
当然，光会写代码还不够。
另一位新晋OpenAI员工 Bas van Opheusden 也分享过类似经验，甚至还给出了更“戏剧化”的建议：面试不是考试，是表演！1 2
他建议花100小时刷LeetCode，100小时读论文，并且要模拟真实面试场景——找朋友盯着你写代码，习惯那种尴尬感。还要优化线上形象：完善LinkedIn、个人网站，标注“AI研究科学家”关键词，甚至提前在谷歌学术上查面试官的论文和演讲，找共同话题。
甚至细节到：准备两个显示器，一个放PPT，一个放视频窗口，让你能直视面试官眼睛；房间光线要充足；提前30分钟放松心情，甚至可以先去遛个猫。
最关键的一点：所有互动都是面试的一部分。 面试官说“非正式聊天”，没有评分表，但你的每一句话都在被默默打分。一个真诚的失败+反思+改进的故事，往往比“我从不犯错”更能赢得信任。
所以，到底该怎么准备？
综合Alisa和Bas的经验，我们给你划重点：
- Transformer必须练成肌肉记忆。 推荐Stanford CS336的Homework 1，从零实现，关掉AI自动补全。
- LeetCode不能停。 至少刷100小时，重点是动态规划、图、树、哈希表、双指针等高频考点。
- 研究经验是门票，但编程能力才是通关密码。 别高估论文，别低估基础。
- 行为面试提前准备故事库。 按STAR-I模型（情况、任务、行动、结果、影响）梳理经历，别临场乱编。
- 数学复习三件套：概率、线性代数、微积分。 有备无患。
- 模拟面试场景，习惯被盯着写代码。 找朋友练习，关掉所有AI辅助。
最后，送大家一句Alisa的原话：“找工作本身，就是一份全职工作。” 如果你还在幻想“AI研究员不用刷题”，那这个57场面试的复盘，可能就是你最好的清醒剂。